用于无损可伸缩点云属性压缩的深度概率模型
图像与视频处理
2023-03-14 v1 机器学习
摘要
近年来，若干利用先进深度学习技术的点云几何压缩方法被提出，但关于属性压缩尤其是无损压缩的工作有限。在本工作中，我们构建了端到端多尺度点云属性编码方法(MNeT)，其将属性渐进式投影到多尺度隐空间。多尺度架构为属性概率建模提供了准确上下文，从而通过单一网络预测最小化编码码率。此外，我们的方法支持可伸缩编码，可从无损压缩码流中轻松提取较低质量版本。我们在MVUB和MPEG的一组点云上验证了方法，表明其优于近期提出的方法并与最新G-PCC version 14相当。此外，我们的编码时间显著快于G-PCC。
引用
@article{arxiv.2303.06517,
title = {Deep probabilistic model for lossless scalable point cloud attribute compression},
author = {Dat Thanh Nguyen and Kamal Gopikrishnan Nambiar and Andre Kaup},
journal= {arXiv preprint arXiv:2303.06517},
year = {2023}
}
备注
5 pages, accepted for presentation at ICASSP 2023